Op 7 september gaf ik een gastles aan de minor Smart Cities van De Haagse Hogeschool. De vraag: wat gebeurt er met de straat na de openingsdag? Een mooi ontwerp is één ding. Een straat die schoon en heel blijft, is iets anders. Tien dagen later presenteerden de studenten hoe hun eigen schoonbeleving zich verhield tot het oordeel van een AI-model. Daar zaten inzichten tussen die ik niet had zien aankomen.
Ontwerp en onderhoud: twee kanten van dezelfde taak
In dit gebouw begon ik ooit aan mijn bachelor. Daarna volgde civiele techniek aan de TU Delft, en werk in beheer en onderhoud bij de gemeenten Rotterdam en Delft. Ik ben opgeleid om te ontwerpen en te bouwen. In de praktijk bepaalt onderhoud het grootste deel van de levensduur.
Ontwerpen en bouwen duurt jaren. Beheren duurt decennia. Mensen beleven de onderhouden staat, niet de tekening.
Onderhoud is de factor die je deze week kunt veranderen
Hoe een plek voelt, hangt van meer af dan het ontwerp: hoe druk het er is, de sociale context, het seizoen, zichtlijnen en verlichting, en wie je bent. Wie ’s avonds alleen over straat loopt, leest dezelfde straat anders dan ik. Van al die factoren verandert er maar één tussen maandag en dinsdag: de onderhoudstoestand. Daar kun je deze week iets aan doen, met budget en een ploeg.
Het ontwerp bepaalt hoe goed een plek ooit kan worden. Onderhoud bepaalt hoe slecht hij tussendoor wordt. En mensen vormen hun oordeel bij die ondergrens.
Hoe sterk dat werkt, liet een bekend experiment in Groningen zien. Onderzoekers hingen een flyer aan het stuur van geparkeerde fietsen, zonder afvalbak in de buurt. Bij een schone muur gooide 33 procent de flyer op de grond. Bij een muur met graffiti was dat 69 procent. Verder was er niets anders. Zichtbare wanorde lokt meer wanorde uit (Keizer, Lindenberg en Steg, 2008).
Hoe meet je schoon?
In Nederland meten we schoon met de CROW-kwaliteitsniveaus A t/m D uit de Kwaliteitscatalogus Openbare Ruimte. Je spreekt af welk niveau een straat moet halen, niet hoe vaak er geveegd wordt. Hoe dat niveau gehaald wordt, bepaalt de aannemer. Met beeldmeetlatten is dat objectief en herhaalbaar: twee inspecteurs geven dezelfde score.
Daarna vroeg ik de zaal om een getal. Tien bij tien meter: hoeveel stuks zwerfafval mogen er liggen voordat je het niet meer schoon noemt? Onderzoek onder bewoners legt de irritatiegrens rond zes stuks per 100 m². De meeste gemeenten contracteren niveau B, en dat staat 3 tot 10 stuks toe. Een straat kan dus op norm zijn en bewoners toch storen. Schoon is een dissatisfier: je wint er niet mee, je kunt er alleen mee verliezen.
Wat het model ziet
Het model van UrbanVue herkent op straatbeelden wat de beeldmeetlatten beschrijven: zwerfafval, grofvuil en bijplaatsing, graffiti en stickers, onkruid. Het telt stuks, meet oppervlakken en vertaalt dat naar een niveau A t/m D. Elk beoordeeld beeld krijgt een locatie, zodat een beheerder op de kaart ziet waar aandacht nodig is. Eén meting zegt weinig. Tien metingen in twee maanden laten zien waar het echte probleem zit.
Het model meet precies wat de standaard vraagt, niet meer. Of een straat prettig is, daar heeft het geen mening over.
De opdracht: je eigen beleving naast het oordeel van het model
Het hele stelsel van normen rust op een aanname die zelden hardop wordt uitgesproken: wat schoon en heel is, wordt ook als prettig ervaren. Die aanname gingen de studenten testen. In teams bezochten ze een locatie en fotografeerden ze met hun eigen telefoon wat hen opviel, positief en negatief. Daarna beschreven ze hun beleving. Vervolgens kregen ze dezelfde foto’s terug, met het oordeel van het model erop. Personen en voertuigen werden onherkenbaar gemaakt voordat iemand de beelden bekeek.
Waar beleving en model het eens zijn, is het resultaat bruikbaar. Waar ze het oneens zijn, zit de interessante vraag.
Wat de studenten zagen, en wat AI miste
Op 17 september presenteerden de teams hun resultaten. Wat me opviel:
- Bij één team was onkruid goed voor 41 procent van alle detecties. Afval bleek juist minder een probleem dan verwacht.
- Een ander team bouwde zelf een rekenmodel in een spreadsheet. Elk niveau kreeg punten, van 4 voor A tot 1 voor D, en daarover berekende het team een gewogen gemiddelde. Uitkomst: 2,29, en dus niveau C.
- En misschien het mooiste inzicht: het model markeerde de overgroei langs de randen van het pad niet. De studenten zagen die wel.
Eerlijk is eerlijk: het model deed precies wat we vroegen. Overgroei telde in deze scan niet mee als schoonaspect. Maar een pad dat dichtgroeit, voelt minder overzichtelijk en minder veilig. Voor de veiligheidsbeleving is het dus zeker relevant. Punt voor de studenten.
Schoonbeleving is ook veiligheidsbeleving
Precies daar zit de kern. Een schone, verzorgde omgeving heeft een meetbaar effect op de schoonbeleving, en daarmee op hoe veilig mensen zich voelen in de openbare ruimte. Overgroei raakt bovendien een van de andere factoren van het begin: zichtlijnen. Wat onderhoud laat dichtgroeien, verandert hoe een plek voelt.
Datagedreven werken helpt om beheer te richten op de plekken waar het echt verschil maakt. Maar data is geen eindoordeel, en de vraag die je stelt bepaalt wat je ziet. Het model telt, de mens oordeelt. AI kijkt, jij beslist.
Dank aan Stephan en Rizal voor de uitnodiging en de begeleiding, en aan alle studenten voor het delen van hun inzichten. Eerder gaf ik op dezelfde hogeschool een gastlezing over AI en digitalisering.
Wil je zien hoe jouw straten scoren, en waar beleving en norm uit elkaar lopen? Plan een demo.